基于PSO的电气设备绝缘故障诊断系统设计

电气设备一旦发生绝缘故障,其运行状态的平稳性会急剧下降。为了解决该类问题,基于PSO设计了一种电气设备绝缘故障诊断系统。系统硬件由传感器、核心处理器和通讯器组成,传感器模块内部包含定性传感器与定量传感器,并将WQA427J524NC核心处理器作为中央处理器。分解高中低频三个波段的绝缘故障信息,确定特征矢量后,建立故障信息提取程序。利用PSO优化实现信息更新,通过提取数据内部有效信息建立设备故障诊断程序。实验结果表明,该系统对单一故障检测准确率高达99%,对复合故障的检测准确率达到95%,具有较好的诊断能力。

基于PSO−ELM的综采工作面液压支架姿态监测方法

针对基于惯性测量单元的液压支架姿态解算方法会产生累计误差、校正结果不准确的问题,提出一种基于粒子群优化(PSO)−极限学习机(ELM)的综采工作面液压支架姿态监测方法。以液压支架顶梁俯仰角为监测对象,采用倾角传感器和陀螺仪采集液压支架顶梁支护姿态实时信息,对采集到的数据进行预处理,将处理后的数据输入PSO−ELM误差补偿模型中,得到解算误差预测值;同时通过卡尔曼滤波融合进行液压支架姿态解算,得到解算值;再用误差预测值对解算值进行误差补偿,从而求得更加准确的顶梁支护姿态数据。该方法只考虑加速度和角速度数据与解算误差的关系,不依赖具体的物理模型,可有效降低姿态解算累计误差。实验结果表明:液压支架顶梁俯仰角平均绝对误差由补偿前的1.4208°减少到0.0580°,且误差曲线具有良好的收敛性,验证了所提方法可持续稳定地监测液压支架的支护姿态。

基于PSO-BP神经网络的分拣机器人视觉反馈跟踪

针对分拣机器人视觉反馈跟踪精度差、耗时较长的问题,研究基于粒子群算法-反向传播(particle swarm optimization-back propagation,PSO-BP)神经网络的分拣机器人视觉反馈跟踪方法,以提升视觉反馈跟踪效果。依据分拣机器人的视觉反馈信息,建立分拣机器人运动学模型,并求解分拣机器人机械臂输出位置和输入位置的误差函数;利用PSO算法优化BP神经网络的权值与偏置;在权值与偏置优化后的BP神经网络内,输入误差函数,预测分拣机器人视觉反馈跟踪控制量;利用预测视觉反馈跟踪控制量,在线调整增量式比例-积分-微分(proportional-integral-derivative,PID)的参数,输出高精度的分拣机器人视觉反馈跟踪控制量,实现分拣机器人视觉反馈跟踪。实验结果表明,该方法可有效视觉反馈跟踪分拣机器人机械臂的关节角;存在干扰情况下,在运行时间为10 s左右时,阶跃响应趋于稳定;有干扰情况下,视觉反馈跟踪的平均误差为0.09 cm,耗时平均值为0.10 ms;无干扰情况下,平均误差为0.03 cm,耗时平均值为0.04 ms。

基于改进PSO的无人机精细化自主巡检航迹布设优化

提出基于改进PSO的无人机精细化自主巡检航迹布设优化。结合波束法测量地面像控点坐标,通过结构矩阵描述平面误差细化值,完成像控点的布设。采用改进PSO算法计算航迹子路径的变更代价,得到新的路径点,由此实现无人机精细化自主巡检航迹布设优化。实验结果表明,所提方法的无人机精细化自主巡检航迹布设时间仅为39.4 min,说明所提方法能够有效提高无人机精细化自主巡检航迹布设效率,精细化自主巡检航迹布设优化效果更好。

基于PSO-BP神经网络的新能源汽车销量预测模型

为有效避免新能源汽车销量产销不平衡问题,通过粒子群优化算法(particle swarm optimization,PSO)优化反向传播(back propagation,BP)网络的参数迭代过程,弥补优化原本BP神经网络易陷入局部最优和收敛速度较慢的缺陷,构建了基于PSO-BP神经网络的新能源汽车销量预测模型,以比亚迪为例进行指数平滑法预测、BP和PSO-BP神经网络预测。结果表明BP神经网络模型相比于指数平滑模型在均方误差(mean square error,MSE)、平均绝对值误差(mean absolute error,MAE)和平均绝对百分比误差(mean absolute percentage error,MAPE)指标上预测性能优势显著,经过粒子群算法优化后的BP神经网络模型的MSE下降近7×107,MAE下降3346,MAPE下降1.71%。可见基于PSO-BP神经网络的新能源汽车销量预测模型优于指数平滑模型和BP神经网络模型,粒子群优化的BP神经网络能够使模型跳出局部最优,加快收敛速度,预测结果的误差率更低,精度更高,且对企业的计划和生产具有指导作用。

基于泥水平衡盾构掘进参数的PSO-BP神经网络掘进地层识别模型研究

为解决泥水平衡盾构机在掘进时无法准确地实时识别掘进地层的问题,以珠三角水资源配置工程为例,研究泥水平衡盾构机的盾构推力、掘进速度、刀盘转速、刀盘扭矩在不同地层下的变化规律,提出基于掘进参数的PSO-BP神经网络掘进地层识别方法,建立盾构推力、掘进速度、刀盘转速、刀盘扭矩4种掘进参数为输入集,地层编码为输出集的地层识别模型。工程数据的验证结果表明,该模型在珠三角水资源配置工程数据集上的掘进地层的识别准确率达99.07%,PSO-BP神经网络算法的识别准确率明显高于BP、RF、RBF、CNN等机械学习算法。

基于PSO-LSTM的重载铁路车轨桥系统随机振动响应预测方法

在车桥系统随机振动分析中,随机动力响应是评价行车安全性的关键因素之一,而现有的响应计算方法存在耗时长、成本高的问题。能够快速准确预测车-轨-桥系统的动力响应对重载铁路桥梁的状态评估和运维养维具有重要意义。本文提出了一种基于粒子群优化(Particle Swarm Optimization,PSO)长短期记忆(Long Short-term Memory,LSTM)神经网络模型的重载车桥系统随机振动响应预测方法。该方法以车桥随机参数与轨道随机不平顺激励为输入,以桥梁动力响应为输出构造代理模型。首先,基于商业软件MATLAB平台构建PSO-LSTM网络模型;其次,通过建立的车-轨-桥系统随机振动分析模型计算初始样本集对应的随机动态响应,并进行模型训练,同时利用PSO算法优化LSTM结构参数;最后,使用训练好的PSO-LSTM模型对桥梁动态响应进行预测。为了验证本算法的优越性和鲁棒性,以朔黄重载铁路实测数据为例,对比本算法与BP(Back Propagation)神经网络、GRU(Gated Recurrent Unit)神经网络和LSTM神经网络的预测效率,并讨论不同车速下的预测情况,开展本模型与实测数据及有限元分析数据的对比分析。研究结果表明:在PSO优化下,LSTM模型预测结果得到一定的改善,PSO-LSTM模型拟合相关性系数可以达到0.97,其他评价误差值也均小于BP神经网络、GRU神经网络模型,本文模型可更高效准确地预测桥梁随机动力响应,可为进一步发展车-轨-桥系统随机振动响应预测理论提供技术支持。

采用PSO-LSTM联合算法的MEMS陀螺仪温度误差补偿方法

MEMS陀螺仪是一种用来测量角速度的惯性器件。是一种具有成本低、体积小、性能好、可靠性好等优点的微机械陀螺仪,可广泛应用于微惯性导航系统、军事、汽车、消费电子等领域。然而,由于MEMS陀螺仪的材质特性,其输出数据受温度影响较大,这一问题限制了其在工业生产领域的进一步应用。通过对MEMS陀螺仪温度误差补偿模型中所用算法的对比分析,结合用于优化人工神经网络的PSO粒子群优化算法提出了一种采用PSO-LSTM联合人工神经网络算法的MEMS陀螺仪温度误差补偿方法,并通过多种数据检测函数进行了仿真对比实验,基于RMSE和MAE两项参数验证了优化后算法的有效性,以期为MEMS陀螺仪工作过程中的温度误差补偿模块设计提供新思路。

建筑结构钢板热轧轧机DBN-PSO振动预报及应用

利用实时监测数据(Real-Time Monitoring Data,RMD)参数分析轧机振动状态,综合运用深度置信网络(Deep Belief Networks,DBN)与粒子群(Particle Swarm Optimization,PSO)算法构建轧机振动仿真模型,实现RMD参数的深度挖掘,并达到轧机振动的预报效果。通过融合处理能够获得非常接近实际振动过程的预测数据,具备优异预测能力。结合现场测试的初始数据预测误差在3.5%范围内,跟轧机振动情况相符。当轧制速率变慢后,振动加速度出现了降低结果;入口张力对轧机的振动加速度具有反向作用;轧机振动加速度相对出口张力表现为正相关特点;以不同宽度的轧件进行测试发现轧机振动加速度保持基本恒定的状态。该研究对提高热轧轧机运行稳定性,对保证建筑结构钢板成形精度具有很好的指导意义,可以拓宽到其它的成形设备优化领域。

基于改进 PSO-BPNN 的拖拉机液压油品质监测

为实现对拖拉机液压油品质的有效监测,保障拖拉机液压系统的平稳运行,基于改进PSO-BPNN设计一种针对拖拉机液压油品质的监测方法。首先,为研究拖拉机液压油品质恶化情况,在液压油新油的基础上配制不同比例的液压油油样。随后,搭建拖拉机液压油品质监测试验装置,并依据试验装置采集与监测液压油粘度、介电常数和温度参数。然后,设计并搭建一种基于改进PSO-BPNN的拖拉机液压油品质监测模型,该模型利用正弦调整惯性权重的PSO算法优化BPNN的权值和阈值初始值,提高模型收敛效率。最后,为验证基于改进PSO-BPNN的液压油品质监测方法的可行性,与基于传统BPNN、标准PSO-BPNN的拖拉机液压油品质监测模型进行对比。结果表明,基于改进PSO-BPNN的拖拉机液压油品质监测方法具有较快的收敛速度,监测正确率达到97.78%,为优化拖拉机液压油品质监测方法提供参考。

基于EMD-PSO-ARIMA模型的农产品价格预测

针对农产品价格数据的非线性特点,提出基于EMD-PSO-ARIMA模型的农产品价格预测模型。首先利用EMD算法消除价格数据的不平稳性,其次应用PSO算法优化ARIMA模型的滞后参数,并对原始数据分解后的序列进行预测,最后对多个预测值进行累加得到最终结果。以河南省某农贸市场2004年1月至2021年12月鳞茎类作物(以大蒜为例)、根茎类作物(以马铃薯为例)及叶菜类作物(以白菜为例)的价格数据为研究对象进行实证研究。对大蒜、马铃薯、白菜价格进行预测,EMD-PSO-ARIMA模型的RMSE分别为0.0295、0.0168、0.0669,MAE分别为0.0274、0.0189、0.0598,MAPE分别为0.32%、0.64%、2.54%;与ARIAM、PSO-ARIMA、EMD-ARIMA模型相比,EMD-PSO-ARIMA模型的3个评价指标均有不同程度的降低,模型预测精度最高。EMD-PSO-ARIMA模型能够有效对3种农产品的价格做出精准预测,在一定程度上提高了模型预测性能,能够为农业生产者、经营者、政府提供决策支持,维护农业市场的稳定。

基于融合影响因素PSO-Prophet模型的农产品价格预测

为了提高价格预测的准确度,在Prophet模型中融入了消费者物价指数(CPI)和经济政策不确定性指数(EPU)等影响因素,并使用粒子群算法优化参数。利用国际大蒜贸易网中的日价格数据,将该方法应用于山东省大蒜的价格预测。结果表明,融合影响因素的PSO-Prophet模型大蒜价格预测结果的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)比Prophet模型分别降低了82.88%、82.86%和77.49%。融合影响因素的PSO-Prophet模型可以有效提高预测精度。

基于PSO-SVM的Φ-OTDR系统模式识别研究

针对相位敏感光时域反射仪(phase sensitive optical time domain reflectometer,Φ-OTDR)系统中误报率高的问题,提出一种多域特征提取与粒子群算法优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)相结合的模式识别算法。首先,对原始信号进行差分处理后提取时域特征,并利用小波包分解方法,通过验证不同分解层数下的事件分类准确率,设定最优分解层数为6层,提取差分信号的能量特征。然后以SVM分类器为基础,利用PSO算法优化SVM分类器参数,提高光纤振动信号识别准确率。最后利用Φ-OTDR事件数据集进行验证,实验结果表明,该模式识别算法达到了95.6%的振动事件分类准确率。

地磁序列辅助修正的PSO-PF室内行人定位方法

室内行人定位是位置服务的重要基础,地磁信号具有被随时感知的特点,基于地磁信号的定位方法一直是室内行人定位研究的一个热点。针对当前基于粒子滤波融合定位存在累计误差大、定位精度较低的问题,本文提出变长地磁序列辅助PSO-PF的室内行人定位方法。首先,在传统粒子滤波算法的基础上,融合粒子群算法进行最佳位置寻优提升实时定位的准确性;然后,建立了DTW-A^(*)算法获取变长地磁序列对一段时间累计误差进行修正,以解决基于粒子滤波定位方法的累计误差问题;最后,通过试验将本文方法与现有主流定位方法进行比较。结果表明,本文方法在室内行人定位方面平均误差为0.90 m,比PDR、MaLoc和Magicol方法分别降低了73.1%、68.0%和63.8%。其中,本文方法1.43 m定位精度达90%,比PDR、MaLoc和Magicol方法分别提升了75.1%、68.4%和67.7%。此外,在不同型号手机上进行的试验结果表明,本文方法不仅适用且表现稳定,有望为不同设备的室内定位提供支持。

基于AM-PSO-BP神经网络的打印路径规划

为提高弧焊焊接效果,提出一种基于AM-PSO-BP神经网络的弧焊打印路径规划方法。方法采用基于自适应方差的自适应变异操作(AM)消除粒子群优化算法(PSO)后期迭代效率低的问题,然后利用AM-PSO算法优化BP(back propagation)神经网络的权重和阈值,实现BP神经网络参数的优化;最后将AM-PSO-BP神经网络算法对弧焊打印工艺参数进行预测,获取更准确的弧焊打印工艺参数。仿真结果表明:所提方法可精确预测弧焊打印工艺参数,在该工艺参数下,弧焊打印的六边形柱体、圆柱体、正方体预测值与实测值相差较小,且在误差允许范围内,具有较高的准确性。以上方法可为精确弧焊打印提供依据。

基于PSO-KM聚类分析的通信网络恶意攻击代码检测方法

恶意代码的快速发展严重影响到网络信息安全,传统恶意代码检测方法对网络行为特征划分不明确,导致恶意攻击代码的识别率低、误报率高,研究基于PSO-KM聚类分析的通信网络恶意攻击代码检测方法;分析通信网络中恶意攻击代码的具体内容,从网络层流动轨迹入手提取网络行为,在MFAB-NB框架内确定行为特征;通过归一化算法选择初始处理中心,将分类的通信网络行为特征进行归一化处理,判断攻击速度和位置;实时跟进通信网络数据传输全过程,应用适应度函数寻求恶意代码更新最优解;基于PSO-KM聚类分析技术构建恶意代码数据特征集合,利用小批量计算方式分配特征聚类权重,以加权平均值作为分配依据检测恶意攻击代码,实现检测方法设计;实验结果表明:在文章方法应用下对恶意攻击代码检测的识别率达到95.0%以上,最高值接近99.7%,误报率可以控制在0.4%之内,具有应用价值。

基于PSO-PLS煤泥浮选加药量预测模型

煤泥浮选药剂添加量的精确控制对浮选效果至关重要,是智能浮选的重要因素,也是近几年浮选智能科研工作者的研究课题。药剂量添加不当会导致浮选精煤灰分存在较大波动。影响浮选药剂添加量的因素众多,本文考虑入料浓度、入料流量、补水量、精煤灰分和尾煤灰分这五种因素对煤泥浮选药剂添加量的影响,提出了一种基于粒子群优化(PSO)偏最小二乘(PLS)算法的煤泥浮选起泡剂和捕收剂加药量预测模型。通过对比PCA、PLS和PSO-PLS三种算法的预测效果,发现PSO-PLS模型在预测精度和稳健性上表现优异,均方差、均方根误差、平均绝对百分比误差显著低于前两者,捕收剂预测R2值达到0.7863,起泡剂预测R2值达到0.8320,表明其拟合效果良好。实验证明,PSO-PLS算法能够准确预测浮选药剂添加量,有助于实现选煤厂浮选加药过程的智能化,为进一步选煤厂智能化建设提供了技术支持。

基于PSO-Elman神经网络的井底风温预测模型

目前井下风温预测大多采用BP神经网络,但其预测精度受学习样本数量的影响,且容易陷入局部最优,Elman神经网络具备局部记忆能力,提高了网络的稳定性和动态适应能力,但仍然存在收敛速度过慢、易陷入局部最优的问题。针对上述问题,采用粒子群优化(PSO)算法对Elman神经网络的权值和阈值进行优化,建立了基于PSO-Elman神经网络的井底风温预测模型。分析得出入风相对湿度、入风温度、地面大气压力和井筒深度是井底风温的主要影响因素,因此将其作为模型的输入数据,模型的输出数据为井底风温。在相同样本数据集下的实验结果表明:Elman模型迭代90次后收敛,PSO-Elman模型迭代41次后收敛,说明PSO-Elman模型收敛速度更快;与BP神经网络模型、支持向量回归模型和Elman模型相比,PSO-Elman模型的预测误差较低,平均绝对误差、均方误差(MSE)、平均绝对百分比误差分别为0.376 0℃,0.278 3,1.95%,决定系数R^(2)为0.992 4,非常接近1,表明预测模型具有良好的预测效果。实例验证结果表明,PSO-Elman模型的相对误差范围为-4.69%~1.27%,绝对误差范围为-1.06~0.29℃,MSE为0.26,整体预测精度可满足井下实际需要。

基于改进PSO-GSA算法的时间最优轨迹规划

传统3-5-3多项式插值轨迹规划算法速度和加速度规划过于保守,与机械臂运动极限条件相差较远,没有充分发挥其运动性能,从而导致机械臂完成任务的时间增长。针对上述问题,本文提出一种基于改进PSO-GSA算法的3-5-3多项式插值轨迹规划算法。首先引入自适应惯性权重与动态学习因子对PSO-GSA算法进行改进,然后使用改进算法对3-5-3多项式插值算法进行时间优化。在优化过程中,关节速度超速时的粒子组使用了与不超速时不同的适应度函数,引导粒子组朝关节速度减小的方向靠拢,加快了算法收敛速度。仿真结果表明,改进的PSO-GSA算法相比原算法及一些同类算法收敛速度更快、搜索精度更高、不易陷入局部最优。对3-5-3多项式插值轨迹规划法进行时间优化后相比优化前运行时间缩短了22.9%,得到的轨迹满足速度限制且平滑稳定,运行更加安全高效。

基于PSO‑BPNN模型的氯氧镁水泥混凝土耐水性预测

为快速准确地获得具有优异耐水性氯氧镁水泥混凝土(MOCC)的配合比,设计了拓扑结构为4‑10‑2的粒子群优化(PSO)算法-反向传播(BP)神经网络(PSO‑BPNN)模型.该模型的输入层参数为n(MgO)/n(MgCl_(2))、粉煤灰掺量、磷酸掺量和磷肥掺量,输出层参数为MOCC的抗压强度和软化系数;模型数据集为144组,其中训练集数据为100组,验证集数据为22组,测试集数据为22组.结果表明:PSO‑BPNN模型在MOCC抗压强度预测中的评价参数——决定系数R^(2)=0.99、平均绝对误差S_(MAE)=0.52、平均绝对误差百分比S_(MAPE)=1.11、均方根误差S_(RMSE)=0.73;其在软化系数预测中的评价参数——R^(2)=0.99、S_(MAE)=0.44、S_(MAPE)=1.29、S_(RMSE)=0.62;与BP神经网络(BPNN)模型相比,PSO‑BPNN模型具有更强的双参数预测能力,可用于MOCC配合比的正向设计和反向指导.